©2001 Germano Vasconcelos, Paulo Adeodato Desenvolvimento de Aplicações Germano C. Vasconcelos Centro de Informática - UFPE.

Apresentação em tema: "©2001 Germano Vasconcelos, Paulo Adeodato Desenvolvimento de Aplicações Germano C. Vasconcelos Centro de Informática - UFPE."— Transcrição da apresentação:

1 ©2001 Germano Vasconcelos, Paulo Adeodato Desenvolvimento de Aplicações Germano C. Vasconcelos Centro de Informática - UFPE

2 ©2001 Germano Vasconcelos, Paulo Adeodato Análise e Solução do Problema

3 ©2001 Germano Vasconcelos, Paulo Adeodato Análise e Solução do Problema Qual a natureza do problema ? Ou problemas ? Quais as informações de entrada e de saída? Pré-processamento dos dados –consistência –representatividade –codificação –divisão em lotes

4 ©2001 Germano Vasconcelos, Paulo Adeodato Análise e Solução do Problema –Normalização Escolha dos Modelos –feedforward –recorrente –auto-organizáveis –Booleanos –construtivas

5 ©2001 Germano Vasconcelos, Paulo Adeodato Natureza do Problema Disponibilidade de respostas desejadas –feedforward X auto-organizáveis Domínio do problema –contínuo ou discreto Informação estática Informação temporal Problemas de classificação

6 ©2001 Germano Vasconcelos, Paulo Adeodato Natureza do Problema Problemas de verificação Problemas de otimização Problemas de controle Informação a priori

7 ©2001 Germano Vasconcelos, Paulo Adeodato Aspectos a Considerar na Aplicação Pré-processamento e tratamento dos dados –Normalização –Centralização –Invarianças –Dados ausentes (“missing data”) –Inconsistências –Codificação

8 ©2001 Germano Vasconcelos, Paulo Adeodato Aspectos a Considerar na Aplicação Extração de características –Técnicas simples –Extração dos componentes principais (PCA) –Outras transformadas –Momento –Morfologia matemática

9 ©2001 Germano Vasconcelos, Paulo Adeodato Aspectos a Considerar na Aplicação Desempenho dos modelos –requerimentos de memória –tempo de treinamento –tempo de classificação –capacidade de memória –adaptabilidade a mudanças no ambiente –capacidade de generalização

10 ©2001 Germano Vasconcelos, Paulo Adeodato Pré-processamento É sem dúvida uma das etapas mais fundamentais no desenvolvimento de uma solução neural para um problema... Alguns autores consideram que o pré- processamento é responsável de 50% a 80% pelo tempo gasto no desenvolvimento de uma solução

11 ©2001 Germano Vasconcelos, Paulo Adeodato Tratamento dos Dados Representatividade dos dados Incompletude nos dados (missing data) Inconsistência nos dados Padronização de atributos Codificação de atributos Normalização de atributos Conjugação de atributos Uso de conhecimento a priori Atributos pré-computados Extração de características

12 ©2001 Germano Vasconcelos, Paulo Adeodato Representatividade dos Dados Os dados são representativos ? Como saber se os dados são representativos? –Conhecimento sobre o domínio ou contexto –Análise matemática ou visual dos dados Se os dados brutos não são representativos... –Coleta de novos dados ou dados adicionais –Selecionar sub-conjuntos dos dados –Empregar conhecimento a priori –Gerar dados adicionais sinteticamente

13 ©2001 Germano Vasconcelos, Paulo Adeodato Incompletude nos Dados Dados ausentes (missing data) –Ineficiência do processo de coleta –Indisponibilidade da informação O que fazer ? –Buscar informações adicionais –Eliminar atributos –Definir o valor baseado no restante dos dados –Codificar a ausência

14 ©2001 Germano Vasconcelos, Paulo Adeodato Inconsistência nos Dados Dados que não representam a realidade –Eliminação dos exemplos Dados que não representam mais a realidade atual –Eliminação dos exemplos –Busca de informações adicionais Dados contraditórios –Identificação do exemplo inconsistente (se houver) –Eliminação dos exemplos contraditórios

15 ©2001 Germano Vasconcelos, Paulo Adeodato Padronização de Atributos Ocorre principalmente com dados simbólicos –Mesma informação preenchida de maneiras diferentes –É necessária uma padronização Como resolver ? –Manualmente (pode ser ineficiente e custoso) –Algoritmos de casamento de padrões

16 ©2001 Germano Vasconcelos, Paulo Adeodato Codificação de Atributos RN só aceitam como entrada dados numéricos... Contínuos –inteiros –reais Discretos –binários –inteiros –reais –simbólicos

17 ©2001 Germano Vasconcelos, Paulo Adeodato Como Codificar ? Contínuos –Já estão adequadamente codificados Discretos –binários Já estão adequadamente codificados A não ser que uma transformação melhore a qualidade da representação –inteiros Já estão adequadamente codificados A não ser que uma transformação melhore a qualidade da representação –reais Já estão adequadamente codificados A não ser que uma transformação melhore a qualidade da representação

18 ©2001 Germano Vasconcelos, Paulo Adeodato Como Codificar ? (continuação) Discretos –Simbólicos necessitam de transformação codificação binária –densa –esparsa (1 de N) –intermediária (M de N)

19 ©2001 Germano Vasconcelos, Paulo Adeodato Normalização de Atributos O que é a normalização de atributos –É a transformação dos atributos para valores dentro de um intervalo Por que é necessário normalizar ? –Para que as informações sejam apresentadas de maneira consistente Direta –Se os dados brutos estiverem uniformemente distribuidos no espaço ou se assim for desejado Após transformações –Para realizar a distribuição uniforme dos dados Aplicada em valores inteiros ou reais

20 ©2001 Germano Vasconcelos, Paulo Adeodato Conjugação de Atributos Objetiva uma melhor representação da informação Pode se dá através de somas, multiplicações, subtrações ou funções, mas é muito comum divisões

21 ©2001 Germano Vasconcelos, Paulo Adeodato Conhecimento a Priori Emprego de informações que facilitem o desenvolvimento da solução ou o aprimoramento da solução –Eliminação, conjugação ou adição de atributos –Informações baseadas em observações dos dados –Conhecimento de especialistas no domínio do problema Ex: Sazonalidade dos dados, tendência de comportamento dos dados no ambiente, distribuição dos dados no espaço...

22 ©2001 Germano Vasconcelos, Paulo Adeodato Atributos Pré-computados Emprego de janelas de dados (telescoping inputs) Retardos Médias flutuantes (moving averages)

23 ©2001 Germano Vasconcelos, Paulo Adeodato Extração de Características Por que extrair características ? –... Tipos de características –características conceituais Ex: área, volume, número de arestas horizontais cortantes –não-conceituais Através de algoritmos de transformação de espaços Transformadas geométricas (ex: moments, Walsh-Hadamard) Transformadas estatísticas (ex: PCA)

24 ©2001 Germano Vasconcelos, Paulo Adeodato O sucesso no desenvolvimento de uma solução neural depende primordialmente da observação dessas questões...